.jpg)
贴一点链接，感兴趣的uu可以mark一下，求一个star,求一个关注，欢迎互换友链哇，评论区留言即可🎊
CSDN：一手课程作业&学习小记 创作质量95+ 来看看哇~ 主页
小红书：段子手日常，实习日常，随缘更 主页
牛客：攒面经、实习日常（经常更）主页
Github仓库：马上更马上更（别催了xdm） Alive0103 (Alive) (github.com)
备用服务器：www.alive0103.online 暂时挂掉，搞别的项目
有急事建议发邮箱喔 972477867@qq.com
如果不知道往哪走，向前迈出的每一步都是进步。
找了一周实习，记录一下面试的思考，如果当下的你比较迷茫，不妨投投简历，多面几次，不会也没关系，和面试官聊聊，他们的理解可能会是有效参考。
在我找实习前，仅仅站在一个大三学生的角度来说，后端可能是本科CS性价比最高的岗位了，进可大厂，退可央国企，尝试了大模型，头疼，遂润。用一学期学习准备了个项目，和之前的论文放一起整了个简历，开投！
就依次列举几个我印象比较深的公司叭，顺序为面试顺序。
智乐活（线上） BOSS
招人开发项目，公司挺大，笔试挂了 ...
.jpg)
赠尔一缕剑气，愿尔所向披靡。
大三计科分方向，很纠结，难眠，大数据，软件，网安，嵌入式，似乎决定未来是工作还是上研。看起来轻巧，想要利益最大化的人只需要列出利弊排除即可，有目标的人当然直接all in，但你，现在在看这篇文章的你，兴许是想做一次无关乎利益，完全自由的选择才会如此纠结工作/考研，来听听我的故事吧。
嘿，如果现在的你正在经历辗转反侧，来听听我的故事吧。
鱼皮也写过这篇，我看了，依旧彻夜难眠，一个人一个解法，别人的路终究不是我的。
得益于极度真诚的一群人才有现在的我，而他们因为种种资源的不公已然麻木。或许我是他们的眼睛，代他们看看外面的世界，真心予人勇气，我拼命想看得高一点再高一点，好在再见时告诉他们：嘿！你瞧，是我们，是我们都能做得到。
或许在成长的过程中我们的锐气都在被削减，或许在很多年之后我也会和别人说不要走后端，似乎是在见证了太多的失败，我们越来越畏惧走错步子。人在不同阶段看到和想到的事物不一样，选择自然不同，无愧于心就好，我希望我做的每一个决定都是我自由意志选择的结果而非被经验裹挟，无论好坏。
许是少年意气，许是年少无知，当下的我企图找到一个两全其美的方法，或许 ...
.jpg)
关于本站
本站几经辗转，目前基于安知鱼主题1.6.12（是 heo的改版），这一版主题有两处可能导致博客崩溃的BUG（遇到同样问题的uu可以看一下我写的详细解决方案），总体还是非常美丽！！（狠狠心动了哈哈）
本站原用于星火杯比赛，拟作为校园开源平台——慧试使用，现作为个人博客，欢迎闯入我的小世界~👋
XDU-CS-lab(月更)
https://github.com/Alive0103/XDU-CS-lab
西电计科软件方向课程资料，试卷，实验通关秘籍
仓库为本人(22级)计科资料存储地，涵盖自大一开始的部分课程设置，实验，期末试卷，学习心得以及部分速通技巧，只此盏灯，为你长明不息。
部分PPT已转为PDF格式，需要PPT源文件的uu可以给我发邮件
仅用于学术交流，内容仅供参考，请勿抄袭，否则后果自负。
⭐觉得有用的话点个星星~不迷路！你的星星就是我持续上传的动力！！！今日之你亦是昨日之我，于是乎，不遗余力地，我同你共享我的资源和故事。
NER
nlp领域的ner命名实体识别方向，我们的项目旨在解决机器学习灾难性遗忘问题，现已成功把SOTA的0.71的F1提高到0.75，好耶！感兴趣 ...
.jpg)
唉，哎哎，大学生真的挺无助的，距离此事已过三周（被期末考硬控了），为时已晚，但还是想吐槽一下，给大家一点提醒。
Timeline：
12.7
我开始投简历找实习，第一次找没啥经验，也不挑，中小厂都投，然后面试，这周面的5挂1，有一家（A）挺合适的，同时突然刷到这家（B）的业务，主营人工智能，hh，兴趣对口，遂发邮件介绍情况，收到邮件后邀面。
12.13
时间比较紧（之前面过的意向快过期了）就请HR排得紧一点，如果过了其实还挺心动的（后来仔细观察疑似外包+黑工）。一面线上，两道题，一道链表反转（不限语言），一道应用题Python/c++均可（文件写入读出/图片压缩），面试官看起来像实习生，没开摄像头（开了一下就关了，不知道啥意思）。
非常简单，不晓得第二题他想考察什么，这种库的应用不是会用就行吗？要是不经常用谁记啊，不如考点算法。。。
12.16
周一，A的HR催了，遂和B约二面，这家主要技术人员为一美国工作回来的前百度后端，没开摄像头，面试官很累很累，再打哈欠同时和同事闲聊，没听我说话，我说完了搁那问我你刚说啥。
问了最近在学啥，籍贯，高考成绩，平时咋学习的，会go吗？他们公司后端用g ...
.jpg)
anzhiyu
未读这个可真是太劲爆了，不知道是不是只有我一个人遇到了，原来用的Shokax主题可能因为我node的版本不太对，还有一个插件作者以放弃维护导致不兼容，主题传不上去。。。遂换主题，然后历经整整一个月，遇到各种配置的bug，换过wordpress，租了服务器，买了域名，发现不好用，主题也不是很貌美（自己改不了太多。。。）而后某天一行一行对代码终于找出这个主题的小问题，也是给还在用上了哈哈。写给新手，希望能有效解决，别轻易放弃这么美貌的主题~
新增一条：记得清除浏览器缓存，否则看不到我的更新，辛苦了
github服务器样式渲染错误问题
先是用了和安知鱼很像的另一个主题，蓝色鹿头的，发现传上去about页不能居中显示（本地测试正常），找不到解决方法，遂入坑安知鱼，如果你想用同款的其他作者的主题建议谨慎考虑。
某次本地测试没问题，上传后发现github上的css样式丢失，尝试各种方法无果，一点点改，问题在这里：
这里的url不能改，随便改成自己的会导致css渲染不出来，保持原样即可，切记切记！！！
本地测试样式丢失问题
在初版配置过程中头部会出现配置了图片但显示出来是很多雪花小人，但hexo ...
.jpg)
NER顺利结项啦~刚好试试新租的服务器咋用，安个MySQL试试。
服务器租赁
选用的是腾讯云轻量级服务器（2核4G），Ubuntu系统，租的时候记得选离自己近的机器，传输速度会快一点。
然后就是登进去，会看见命令行，这就是我们主要操纵机器的地方，不少博客说配置SSH可以免登录，腾讯云这个直接登第一次之后可以自动保存密码，下次登就是免密的，所以配置不成功的UU这一步可以省了。
MySQL安装
纯小白，翻阅不少博客发现是需要下载软件然后上传的道服务器或者虚拟机，比较麻烦，幸运看见这篇博客，亲测好用，两行代码搞定！
安装MySQL
对于基于Debian的系统（如Ubuntu）:
12sudo apt updatesudo apt install mysql-server
对于基于Red Hat的系统（如CentOS）:
1sudo yum install mysql-server
安全配置
1sudo mysql_secure_installation
这里会让你选密码等级，我选的2（最高等级，和我登录服务器密码强度一致）。
细节配置
然后会有一系列介绍，全选y也没问题，可以看我下面的解释 ...
.jpg)
NER
未读摘要
随着深度学习技术的发展，命名实体识别（NER）任务中传统的持续学习与增量学习方法逐渐暴露其局限性。这些方法通常需要重新访问并训练所有类别的数据，导致计算资源消耗巨大，并且在引入新知识时，容易遗忘已学的旧知识，产生灾难性遗忘问题。类增量学习（CIL）作为一种新的方法，能够在模型接触新的实体类别时，不访问旧类别数据，依然保持对旧类别的识别能力，从而有效节省计算资源。然而，面对长序列任务时，现有类增量学习方法对旧类别的遗忘问题依旧是挑战。
在此背景下，本文提出了一种基于少样本条件下的类增量NER模型训练方法，旨在进一步缓解灾难性遗忘问题，增强模型对新旧类别的平衡能力。本文方法的核心思想是结合少样本学习理论与NER问题，综合利用知识蒸馏、伪标签生成、合成数据增强等多种技术手段，在少样本条件下提升模型的泛化能力。同时，为模拟人脑的学习机制，我们引入学习与回顾（L&R）策略，定期回顾旧类别知识，以保持模型对新旧类别的认知平衡，确保模型在逐步引入新类别的过程中不会遗忘旧知识。
首先，在知识蒸馏过程中，通过构建新旧模型之间的知识传递，避免新类别知识覆盖旧类别知识。新模型通过学习旧模型的输 ...
.jpg)
24年国赛B题
这道题看起来比较简单实际上不太好做，难点在于决策模型的构建，这里给大家一点参考。
牵扯到概率论与数理统计以及排列组合，时间复杂度较高，会难以模拟，若简化问题会导致结果不够精确，有舍有得，要把握好度。感谢靠谱的队友~
.jpg)
稠密图用邻接矩阵存，稀疏图用邻接表存
DFS
123456789101112131415161718192021222324//建边// 对于每个点k，开一个单链表，存储k所有可以走到的点。h[k]存储这个单链表的头结点int h[N], e[N], ne[N], idx;// 添加一条边a->bvoid add(int a, int b){ e[idx] = b, ne[idx] = h[a], h[a] = idx ++ ;}// 初始化idx = 0;memset(h, -1, sizeof h);int dfs(int u){ st[u] = true; // st[u] 表示点u已经被遍历过 for (int i = h[u]; i != -1; i = ne[i]) { int j = e[i]; if (!st[j]) dfs(j); }}
几个要素：图中的值，各数组下标，边的编号
h[i]:i是图中的值a，h[i]是这个值在e[i]中的下标i
e[ ...
.jpg)
实现横向联邦学习
横向联邦学习的服务端的主要功能是将被选择的客户端上传的本地模型进行模型聚合。
首先定义一个服务端类Server，类中的主要函数包括以下几个。
定义构造函数。
在构造函数中，服务端的工作包括：
第一，将配置信息拷贝到服务端中；
第二，按照配置中的模型信息获取模型，使用torchvision 的models模块内置的ResNet-18模型。
定义模型聚合函数。
服务端的主要功能是进行模型的聚合，通过接收客户端上传的模型，使用聚合函数更新全局模型。采用经典的FedAvg 算法。
1234567def model_aggregate(self, weight_accumulator): for name, data in self.global_model.state_dict().items(): update_per_layer = weight_accumulator[name] * self.conf["lambda"] if data.type() != update_per_layer.type(): data.add_(upd ...
